评论
图片最初由gbksoft制作
现在每个人都非常忙。我们的个人和职业生活中有太多事情发生。更令人惊讶的是，人工智能这种东西开始获得关注，你发现自己的技能在接下来的两年里变得严重过时。
当我关闭我的初创公司 Zeading 时，我意识到自己错过了非常独特的东西。
在不断变化的环境中，全栈开发者的相关性将不再足够。在接下来的两年里，没有 AI 技能的全栈将不再是全栈。
是时候采取行动了。我做了我认为现在唯一正确的行动——更新我的开发技能、作为产品负责人的心态和作为企业家的哲学，以变得更加数据导向。
正如Spiros Margaris这位著名的风险投资家和 AI 及金融科技领域的思想领袖优雅地对我说，
如果创业公司和公司仅仅依靠尖端 AI 和机器学习算法来竞争——这将是不够的。AI 将不再是竞争优势，而是一种要求。你听到有人说他们用电力作为竞争优势吗？
照片由 — Unsplash 提供
常见的建议是报名参加Andrew Ng 的 Coursera 课程。这是一个很好的起点，但我发现很难保持清醒。并不是说课程不好，只是我真的不擅长在讲座中保持注意力。我的学习方式一直是通过实践，所以我想，为什么不呢，让我们实现自己的神经网络。
我没有直接跳到神经网络，因为这不是更好的学习方法。我试图熟悉领域中的所有术语，以便我能学会说这种语言。
第一个任务不是学习，而是熟悉。
我来自纯粹的 Javascript 和 Nodejs 背景，不想马上换堆栈。因此，我寻找了一个简单的神经网络模块，叫做 nn，并用它实现了一个与门，输入为虚拟值。受到这个教程的启发，我选择了一个问题，即对于任何三个输入 X、Y 和 Z，输出应该是 X 与 Y。
var nn = require('nn')
var opts = {
layers: [ 4 ],
iterations: 300000,
errorThresh: 0.0000005,
activation: 'logistic',
learningRate: 0.4,
momentum: 0.5,
log: 100
}
var net = nn(opts)
net.train([
{ input: [ 0,0,1 ], output: [ 0 ] },
{ input: [ 0,1,1 ], output: [ 0 ] },
{ input: [ 1,0,1 ], output: [ 0 ] },
{ input: [ 0,1,0 ], output: [ 0 ] },
{ input: [ 1,0,0 ], output: [ 0 ] },
{ input: [ 1,1,1 ], output: [ 1 ] },
{ input: [ 0,0,0 ], output: [ 0 ] }
])
// send it a new input to see its trained output
var output = net.send([ 1,1,0])
console.log(output); //0.9971279763719718真是太高兴了！
我个人认为，这是我采取的最具信心的步骤。当输出显示为 0.9971 时，我意识到网络已经学会了如何执行AND操作，并自行忽略额外的输入。
这基本上是机器学习的要点。你给计算机程序一组数据，它调整内部参数，以便能够对新数据做出回答，误差从原始数据中观察到的误差逐渐减少。
这种方法，后来我了解到，也被称为**梯度下降**。
图片由 — 塞巴斯蒂安·拉施卡提供
图片由 — Unsplash 提供
一旦我在完成第一个人工智能程序后充满信心，我就想知道作为开发者我还能用机器学习做些什么。
-
我使用了一个非常有限的数据集，尝试预测哪支球队会赢得某场 IPL 比赛，使用了**多变量线性回归**。 （预测结果真的很差，但还挺酷的）
-
我试用了**Google 机器学习云上的演示**，以查看今天 AI 可以做什么（显然谷歌已经将其做成了 SaaS 产品）。
-
我偶然发现了**AI Playbook**，这是由著名风险基金 Andreessen-Horowitz 组织的一个很棒的资源。确实是开发者和企业家最有用的资源之一。
-
我开始观看**Siraj Rawal 的精彩 YouTube 频道**，这个频道专注于深度学习和机器学习。
-
我阅读了这篇**精彩的 Hacker Noon 文章，讲述了硅谷的制作人是如何打造Not Hotdog 应用**的。这是我们可以做到的最容易理解的深度学习示例之一。
-
我阅读了**Andrej Karpathy 的博客**，他是特斯拉的 AI 总监。尽管我几乎看不懂什么，并且感到头疼，但我发现再试一段时间后，这些概念确实开始变得有意义。
-
带着一些勇气，我开始逐字实现一些深度学习教程（复制和粘贴），并尝试在本地机器上训练模型和运行代码。大多数时候，由于训练时间长而且我没有 GPU，效果不佳。
渐渐地，我将工具从 Javascript 切换到 Python，并在我的 Windows 机器上安装了Tensorflow。
整个过程围绕着被动地消费内容，并在你的脑海中建立参考，以便在我遇到实际的消费者问题时使用。
正如史蒂夫·乔布斯所说，你只能回顾过去来连接点滴。
图片来源 — Unsplash
作为电影她的忠实粉丝，我想构建聊天机器人。我接受了这个挑战，并在不到两小时的时间里用 Tensorflow 成功构建了一个。我在我的一篇文章中概述了这段旅程和它的业务需求。
幸运的是，这篇文章真的变得很火，并在TechInAsia、CodeMentor和 KDNuggets 上被推荐。这对我来说是一个伟大的时刻，因为我刚刚开始从事技术博客。但我认为这篇文章是我 AI 学习旅程中的一个重要时刻。
这让我在 Twitter 和 LinkedIn 上结识了许多朋友，我可以与他们深入讨论 AI 开发，并且在遇到困难时可以联系他们。我收到了一些咨询项目的邀请，最棒的是，年轻的开发者和 AI 初学者开始询问我如何开始学习 AI。
这也就是我写这篇文章的原因。为了帮助更多人从我的旅程中汲取经验，开始他们自己的旅程。
开始是任何旅程中最具挑战性的部分之一。
图片来源 — Unsplash
这绝对不容易。当我开始在 Javascript 中遇到困难时，我几乎一夜之间跳转到 Python，并学习了如何用它编程。当我的模型在 i7 机器上无法训练，或者即使经过数小时的训练，它们也会返回像 50–50 概率这样的无意义结果时，我开始感到烦躁。学习 AI 不同于学习一个网页框架。
这是一项需要对计算的微观层面有所了解的技能，并找出是什么对你的输出负责——是你的代码还是你的数据。
AI 也不仅仅是一个学科。它是一个统称，涵盖从简单的回归问题到可能在某天消灭我们的致命机器人。像进入任何其他学科一样，你可能会选择在 AI 领域中专注于你真正想擅长的领域，如计算机视觉或自然语言处理，或者天哪，世界统治。
在与来自 Atlantis Capital 的Gaurav Sharma的对话中，这位在 AI、金融科技和加密货币领域的著名行业领袖向我透露：
在人工智能时代，“聪明”将意味着完全不同的东西。我们需要能够进行高阶批判性、创造性和思考工作，并且需要高情感投入的工作的人。
你必须对计算机如何突然学会独立完成任务感到着迷。耐心和惊奇是你应该坚持的两个关键原则。
这是一次漫长、漫长的旅程。非常疲惫、非常烦人，而且异常耗时。
但好的一面是，像世界上所有其他的旅程一样，这次旅程也始于一步。
原文。经许可转载。
简介：Shival Gupta 是产品爱好者和企业家。了解一些#AI #机器学习。工程师。前 CEO @ZeadingOfficial @CourseCannon。
相关：
-
成功实施 AI 的 5 个主要因素
-
神经网络：无数的架构，一个基本理念
-
用于目标检测的深度学习：全面回顾
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织在 IT 领域